金石API vs. Modelflare
Un mismo modelo en dos intermediarios: integridad, velocidad, precio, caché y disponibilidad, más la inteligencia ajustada por degradación y la relación costo-beneficio, con una recomendación según tu prioridad.
Cuál elegir
Cinco dimensiones
Cuanto más afuera, mejor. La integridad es la parte de inteligencia conservada; las otras cuatro son posiciones entre todos los intermediarios del modelo.
金石APIModelflare
Qué te importa más
Para la prioridad “Equilibrado”, elige 金石API
金石API67
Modelflare0
Motivos principales
Integridad25%
Integridad: faltan datos de al menos un intermediario
Disponibilidad20%
Disponibilidad: faltan datos de al menos un intermediario
Costo-beneficio20%
金石API da 1.58 puntos por unidad monetaria, un 160% más que Modelflare (0.61)
Velocidad15%
Velocidad: faltan datos de al menos un intermediario
Precio15%
金石API cuesta ¥11.0 por sesión, un 62% menos que Modelflare (¥28.6)
Caché5%
Caché: faltan datos de al menos un intermediario
Cifras clave
Inteligencia ajustada
Cuanto más alto, mejor
Costo por sesión de programación
2M de tokens de entrada + 40k de salida · Cuanto más bajo, mejor
Costo-beneficio
Puntos de inteligencia por ¥1 · Cuanto más alto, mejor
Todas las cifras
Inteligencia
Inteligencia ajustada17.417.4
Inteligencia conservadaSin verificar100%
Aciertos en preguntasSin verificar97% (preguntas: 90)
Costo
Relación costo-beneficio1.580.61
Costo por sesión de programación¥11.0¥28.6
Precio de entrada¥5¥13
Precio de salida¥25¥64.999999999998
Descuento por cachéNo indicadoNo indicado
Rendimiento
Tiempo hasta el primer token—1.16 s
Disponibilidad, últimas 24 horas—97.5%
Muestras—122
Ruta
GrupoKimi-Cyberkimi-stable
Seguridad de datosNivel 0Nivel 4
Inteligencia ajustada = índice de inteligencia publicado del modelo × inteligencia conservada. Inteligencia conservada = tasa de aciertos del intermediario ÷ la mayor tasa de aciertos entre los intermediarios verificados del mismo modelo; con menos de 10 preguntas no se ajusta. Costo-beneficio = inteligencia ajustada ÷ costo por sesión de programación. Las diferencias por debajo de un umbral cuentan como parecidas. La recomendación pondera las métricas según la prioridad elegida y es solo orientativa.